CN112378333B - 仓储货物测量方法和装置 - Google Patents

仓储货物测量方法和装置 Download PDF

Info

Publication number
CN112378333B
CN112378333B CN202011190465.XA CN202011190465A CN112378333B CN 112378333 B CN112378333 B CN 112378333B CN 202011190465 A CN202011190465 A CN 202011190465A CN 112378333 B CN112378333 B CN 112378333B
Authority
CN
China
Prior art keywords
cargo
goods
monocular camera
warehouse
pixel point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011190465.XA
Other languages
English (en)
Other versions
CN112378333A (zh
Inventor
李顺恺
程远
何思枫
杨旭东
张晓博
杨磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202011190465.XA priority Critical patent/CN112378333B/zh
Publication of CN112378333A publication Critical patent/CN112378333A/zh
Application granted granted Critical
Publication of CN112378333B publication Critical patent/CN112378333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本说明书实施例提供了一种仓储货物测量方法和装置。根据该实施例的方法，首先，接收由单目摄像头采集的仓库中的货物的货物图像；之后，对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该长度边的另一个端点；然后，确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；利用单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。

Description

仓储货物测量方法和装置
技术领域
本说明书一个或多个实施例涉及图像处理技术领域，尤其涉及仓储货物测量方法和装置。
背景技术
仓储业务在人们的生活中越来越重要。比如，利用大型仓库来存放建筑用的木材。再如，利用仓库来存储各种货物箱。为了保证仓储业务的正常运营，需要对仓储货物进行测量，从而来得到仓库中存储的货物的信息，比如货物的高度或体积等，从而根据各次测量的结果可以判断出仓库中的货物是否减少或者增加，实现对仓储货物的监控。
然而目前，对仓储货物进行测量的方法，通常都是基于人工实现的，比如由仓库管理员在仓库现场进行实地测量。此种方式，由于基于人工实现，因此，存在由于人工测量造成的各种问题，比如，对于大型仓库的仓储业务，人工测量方式效率低下及人工成本较大等。
发明内容
本说明书一个或多个实施例描述了仓储货物测量方法和装置，能够通过视觉测量实现对仓库的货物监控，解决由于人工测量造成的问题。
根据第一方面，提供了仓储货物测量方法，包括：
接收由单目摄像头采集的仓库中的货物的货物图像；
对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该长度边的另一个端点；
确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在一个实施例中，在所述对所述货物图像进行货物关键点检测之前，进一步包括：
利用所述单目摄像头采集包括不同货物图像内容的至少两张样本图像；
得到标注训练数据；所述标注训练数据为：对每一张样本图像中可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按相同预设方式标注了可见的各顶点和该各顶点间的连接关系；以及
利用所述标注训练数据，训练货物关键点识别模型；
则，所述对所述货物图像进行货物关键点检测，包括：
利用所述货物关键点识别模型对所述货物图像进行货物关键点检测。
在一个实施例中，所述货物关键点识别模型包括：openpose识别模型；
所述利用所述标注训练数据训练货物关键点识别模型，包括：
在利用所述openpose识别模型的affinity fields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，以约束所述affinity fields的流向。
在一个实施例中，所述货物的形状为长方体形状或者类似长方体形状；且货物在仓库中的摆放方式为：该货物的顶表面和底表面的长度边和宽度边分别平行于或大致平行于仓库对应的三维坐标系中在地面平面中的x轴和y轴。
在一个实施例中，所述单目摄像头的相机参数包括：所述单目摄像头的内参矩阵以及位姿矩阵；
则所述计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值，包括：
利用如下式子计算所述长度边的所述端点在所述仓库对应的三维坐标系中的z轴坐标值；所述z轴为垂直于地面方向的坐标轴；
Figure BDA0002752631080000031
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure BDA0002752631080000032
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1、v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2、v2为所述第二像素点在所述相机成像平面中的二维坐标值；
将计算出的所述z轴坐标值，作为所述货物在相对于地面的高度方向上的高度值。
在一个实施例中，在所述接收由单目摄像头采集的货物图像之后，并在所述对所述货物图像进行货物关键点检测之前，进一步包括：对所述货物图像进行畸变矫正。
根据第二方面，提供了一种基于区块链技术的货物交易业务的实现方法，其中，
利用上述第一方面的任一实施例的仓储货物测量方法，得到仓库内至少一个单目摄像头视觉范围内的货物的高度值；
根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息；
将确定的存量信息上传到区块链中；
基于区块链中存储的货物的存量信息，进行货物交易业务。
根据第三方面，提供了仓储货物的测量装置，包括：
图像接收模块，被配置为接收由单目摄像头采集的仓库中的货物图像；
关键点检测模块，被配置为对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该长度边的另一个端点；
二维坐标确定模块，确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
货物高度确定模块，利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在一个实施例中，进一步包括：模型训练模块；
所述模型训练模块，被配置为接收所述单目摄像头采集的包括不同货物图像内容的至少两张样本图像；得到标注训练数据；以及利用所述标注训练数据，训练货物关键点识别模型；其中，所述标注训练数据为：对每一张样本图像中可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按相同预设方式标注了可见的各顶点和该各顶点间的连接关系；
所述关键点检测模块，被配置为利用所述货物关键点识别模型对所述货物图像进行货物关键点检测。
在一个实施例中，所述货物关键点识别模型包括：openpose识别模型；
所述关键点检测模块，被配置为在利用所述openpose识别模型的affinityfields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，以约束所述affinity fields的流向。
在一个实施例中，所述货物的形状为长方体形状或者类似长方体形状；且货物在仓库中的摆放方式为：该货物的顶表面和底表面的长度边和宽度边分别平行于或大致平行于仓库对应的三维坐标系中在地面平面中的x轴和y轴。
在一个实施例中，所述单目摄像头的相机参数包括：所述单目摄像头的内参矩阵以及位姿矩阵；
所述货物高度确定模块被配置为利用如下式子计算所述长度边的所述端点在所述仓库对应的三维坐标系中的z轴坐标值；所述z轴为垂直于地面方向的坐标轴；
Figure BDA0002752631080000051
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure BDA0002752631080000052
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1，v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2，v2为所述第二像素点在所述相机成像平面中的二维坐标值；
以及，将计算出的所述z轴坐标值，作为所述货物在相对于地面的高度方向上的高度值。
在一个实施例中，进一步包括：连接在所述图像接收模块与关键点检测模块之间的所述畸变矫正模块；
所述畸变矫正模块被配置为对所述接收由单目摄像头采集的所述货物图像进行畸变矫正，将畸变矫正后的货物图像发送给所述关键点检测模块进行货物关键点检测。
根据第四方面，提供了一种基于区块链技术的货物交易业务的实现系统，包括：上述第三方面中任一实施例提供的仓储货物测量装置、区块链系统以及交易处理系统；其中，
所述仓储货物测量装置，被配置为得到至少一个单目摄像头视觉范围内的货物的高度值；根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息；以及将确定的存量信息上传到所述区块链系统中；
所述交易处理系统，被配置为基于区块链系统中存储的货物的存量信息，进行货物交易业务。
根据第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
根据第六方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。
在本说明书实施例提供的仓储货物的测量方法和装置中，由于单目摄像头采集的货物图像是在二维的相机成像平面中，而货物是在三维的仓库空间中，因此，利用了单目摄像头在仓库对应的三维坐标系中的相机参数，通过该相机参数来体现仓库三维坐标与相机成像平面的二维坐标的投影关系，并进而基于货物在货物图像中的第一像素点以及第二像素点的二维坐标(第一像素点及第二像素点确定的就是货物的顶表面的一条边在货物图像中的位置和长度)，计算货物的高度边的高度值(即货物在三维仓库中的实际高度)。可见，本说明书的实施例能够实现由具有计算能力的设备来进行仓储货物的测量，是通过视觉测量实现对仓库的自动化货物监控，而无需人工实现该测量过程，因此，能够避免人工测量的诸多问题，比如效率低下，错误率较高、无法远程实现仓储货物测量等。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例提供的仓储货物测量方法的流程图；
图2是本说明书一个实施例提供的货物顶点的标注示意图；
图3是本说明书一个实施例中基于区块链技术的货物交易业务的实现方法流程图；
图4是本说明书一个实施例中仓储货物测量装置的示意图；
图5是本说明书另一个实施例中仓储货物测量装置的示意图；
图6是本说明书一个实施例中基于区块链技术的货物交易业务的实现系的示意图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
在仓储业务中，货物被堆放在仓库中。为了能够在仓库中尽可能多的堆放货物，货物通常是在相对于地面的高度方向上进行向上堆叠。当需要从仓库中取走货物时，则将堆叠在顶部的货物取走，比如，木材从仓库的地面上向上堆叠，当需要取走一部分木材时，则取走顶部的部分木材。因此，监控堆叠在仓库地面上的货物的高度，就可以计算出仓库中的货物的存量信息比如货物的高度值、货物的体积或者货物的数量等，从而可以判断出仓储货物是否增加或者减少。
为了避免目前通过人工方式测量仓储货物的各种弊端，则可以考虑基于视觉测量来分析货物的高度。而由于单目摄像头相对于双目摄像头能够大大节约成本，因此，可以基于单目摄像头的视觉测量来实现。在具体实现时，由于单目摄像头在仓库对应的三维坐标系中的相机参数能够关联仓库对应的三维坐标系与相机成像平面对应的二维坐标系，因此，可以利用该相机参数所反映的关联关系以及货物在相机成像平面中图像的二维坐标，得到货物在仓库对应的三维坐标系中的高度值。
下面描述以上构思的具体实现方式。
图1示出根据一个实施例的仓储货物测量方法的流程图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1，该方法预先在仓库改造过程中，在仓库中以固定位姿安装至少一个单目摄像头，此后，具体的实现包括：
步骤100：接收由单目摄像头采集的仓库中的货物的货物图像。
步骤102：对货物图像进行货物关键点检测，得到货物图像中的第一像素点和第二像素点。
本步骤102中，第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；第二像素点表征该长度边的另一个端点。
步骤104：确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
步骤106：利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在图1所示的仓储货物的测量方法中，由于单目摄像头采集的货物图像是在二维的相机成像平面中，而货物是在三维的仓库空间中，因此，图1所示的实施例利用了单目摄像头在仓库对应的三维坐标系中的相机参数，通过该相机参数来体现仓库对应的三维坐标与相机成像平面对应的二维坐标的关联关系，并进而基于货物在货物图像中的第一像素点以及第二像素点的二维坐标(第一像素点及第二像素点确定的就是货物的顶表面的一条边在货物图像中的位置和长度)，计算货物的高度边的高度值(即货物在三维仓库中的实际高度)。可见，图1所示的本说明书的实施例能够实现由具有计算能力的设备来进行仓储货物的测量，是通过视觉测量实现对仓库的自动化货物监控，而无需人工实现该测量过程，因此，能够避免人工测量的诸多问题，比如效率低下，错误率较高、无法远程实现仓储货物测量等。
另外，在图1所示的本说明书的实施例中，由于采用的是单目摄像头来实现，而无需利用双目摄像头，因此，将复杂、密集的多源传感器布置简化为稀疏的单目摄像头，大大降低了实现成本。
下面描述图1所示的各个步骤的执行方式。
首先，在步骤100，接收由单目摄像头采集的仓库中的货物的货物图像。
每一个单目摄像头有自己的视觉范围，该单目摄像头采集的是视觉范围内的货物图像。在本步骤中，可以根据业务需要，当需要确定仓库中一个区域内货物的存量信息时，则可以触发该区域对应的单目摄像头采集其视觉范围内的货物的货物图像。
该单目摄像头采集的货物图像是二维的图像。
在本说明书的一个优选实施例中，在执行完步骤100之后，并在执行步骤102之前，可以进一步执行如下处理：对货物图像进行畸变矫正。由于光学镜头的成像特性，拍摄到的图片都会有一定的畸变，例如直线在图片中会畸变成一条弧线。由于本说明书实施例需要利用图片中的直线段进行测量，因此提高直线的成像质量非常重要。在具体实现时，可以采用通用的畸变矫正方案(openCV的开源库)来进行畸变矫正，得到矫正后的货物图像。则此后，从步骤102开始，是针对畸变矫正后的货物图像进行后续的各种处理。
接下来，在步骤102，对货物图像进行货物关键点检测，得到货物图像中的第一像素点和第二像素点；其中，第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；第二像素点表征该长度边的另一个端点。
在本说明书的一个实施例中，所测量的货物的形状可以是长方体、类似长方体、或者其他诸如截面为梯形或长方形的立方体等。
当货物为长方体或者类似长方体时，满足下面三个条件：
条件1：货物的形状为长方体形状或者类似长方体形状；
条件2：货物在仓库中的摆放方式为：该货物的顶表面和底表面的长度边和宽度边分别平行或者大致平行于仓库对应的三维坐标系中在地面平面中的x轴和y轴。
条件3：在货物上选取端点的原则为：选取该货物在相对于地面的顶表面上的任意一条长度边的两个端点。基于此，步骤102中，从货物图像中检测出来的就是表征该两个端点的两个像素点。
当满足上述3个条件时，在后续计算货物的高度边的高度值时，只需要考虑选取的两个端点在地面平面的一个坐标轴上的坐标值差异(比如x轴坐标的差异)，而不需要考虑该两个端点在仓库对应的三维坐标系中另外两个坐标轴上的差异(因为选取的两个端点的y轴和z轴的坐标值相同)。
本步骤102的一种实现方式是：利用预先训练的货物关键点识别模型来识别出货物图像中的第一像素点和第二像素点。其具体实现过程包括：
在步骤102之前，进行如下训练处理：利用单目摄像头采集包括不同货物图像内容的至少两张样本图像；根据该至少两张样本图像得到标注训练数据；其中所述标注训练数据为：对每一张样本图像中的可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按照相同预设方式标注了可见的各顶点和该各顶点间的连接关系；之后，利用标注训练数据，训练货物关键点识别模型。这样，在步骤102中，则可以利用货物关键点识别模型对所述货物图像进行货物关键点检测，从而得到第一像素点和第二像素点。
在上述训练处理中，样本图像的数量越多，训练效果越好。在本说明书的一个实施例中，样本图像的数量级为数百张。
另外，在上述训练处理中，在标注时，需要按相同预设方式标注每一个可见货物中的各可见顶点，这样，是为了既能够通过该标注体现每一个顶点属于货物的哪一个顶面，比如是属于货物的上顶面还是下顶面，同时又能够通过该标注体现出该每一个顶点与哪些顶点之间应该具有连接关系，保证顶点之间的连线正确。比如参见图2，上顶面的各可见顶点从左下起顺时针顶点编号为A1、A2、A3、A4，下顶面的各可见顶点从左下起顺时针顶点编号B2、B3、B4，因为下顶面的对应于A1点的B1点不可见，因此，从对应于A2点的B2点开始编号，但是编号是从B2开始，这样，对于每一个可见货物，凡是被标记为A1、A2、A3、A4的顶点，都可以确定出该顶点位于货物的上顶面，及该顶点在上顶面的位置，同理，凡是被标记为B1、B2、B3、B4的顶点，都可以确定出该顶点位于货物的下顶面，及该顶点在下顶面的位置，并可确定出该顶点与其他顶点的连接关系，比如，如果被标记为点A2，则可以确定出，该上顶面的点A2应该与被标记为A1、A3的上顶面的两个点分别相连以及与被标记为B2下顶面的一个点相连。
货物关键点识别模型可以利用已有的openpose识别模型来实现。也就是说，在上述训练处理中，是利用上述的标注训练数据来训练openpose识别模型。
在利用openpose识别模型时，openpose用affinity fields去预测关键点的连接关系。由于仓库中的货物一般是长方体(横平竖直)，因此结构化程度非常高。本说明书一个实施例中，在利用所述openpose识别模型的affinity fields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，这样，则更加有效地约束了所述affinity fields的流向，使其更准确地预测各关键点的位置。
通过上述处理，则得到了货物图像中能够表征货物在相对于地面的顶表面上的一条长度边的两个端点的像素点。
接下来，在步骤104，确定第一像素点和第二像素点在单目摄像头的相机成像平面中的二维坐标。
比如，获取的第一像素点的二维坐标为(u1，v1)，第二像素点的二维坐标为(u2，v2)。
接下来，在步骤106，利用预先确定的单目摄像头在仓库对应的三维坐标系中的相机参数、第一像素点的二维坐标、第二像素点的二维坐标，计算单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在本说明书的一个实施例中，所利用的相机参数是单目摄像头在仓库对应的三维坐标系中的内参矩阵以及位姿矩阵。单目摄像头的成像模型由其内参矩阵表示，位姿矩阵表示了单目摄像头在仓库中安装的位姿，可以表示深度距离。因此，利用内参矩阵以及位姿矩阵可以关联仓库对应的三维坐标系与相机成像平面对应的二维坐标系，并进而换算出三维及二维之间的投影关系。此时，本步骤106计算高度值的过程具体包括：
步骤1061：利用如下式子计算上述长度边的任意一个端点在仓库对应的三维坐标系中的z轴坐标值；该z轴为垂直于地面方向的坐标轴；
Figure BDA0002752631080000121
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure BDA0002752631080000122
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1、v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2、v2为所述第二像素点在所述相机成像平面中的二维坐标值；
步骤1062：将计算出的z轴坐标值，作为单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在本步骤106中，因为上述长度边的两个端点的z轴坐标值相同，因此，计算哪一个端点的z轴坐标值都可以。
并且，因为上述长度边是货物在相对于地面的顶表面的长度边，因此，计算出该长度边上的端点在仓库对应的三维坐标系中的z轴坐标值就得到了货物的高度值。
在上述过程中，需要使用到单目摄像头的位姿矩阵，该位姿矩阵可以通过预先标定来获得。在本说明书的一个实施例中，标定位姿矩阵的方法包括：通过仓库的实际施工图，建立全局三维坐标系。选定仓库中的一个点为原点比如一个墙角作为原点，水平方向为x轴，竖直方向为y轴(例如货道线)，高度方向为z轴。在单目摄像头拍摄的图像中，多次选择施工图中的一个点在图像中的对应位置(即图纸中的某个点对应于图像中的哪个像素)，选择的点对数量在4对以上，并且，是在施工图中各个相距较远的不同位置进行选择，远近均有。因为选择的施工图中每个点的全局三维坐标已知，因此可通过PnP(Perspective-n-Point)算法求解出单目摄像头在全局三维坐标系中的位姿矩阵T(c,w)。
下面对上述步骤1061中的计算式进行说明。
本说明书的一个实施例中，考虑到齐次坐标能够用N+1维坐标来代表N维坐标，因此，第一步，首先列出步骤104中确定出的两个像素点的齐次坐标，分别表示为
Figure BDA0002752631080000131
以及
Figure BDA0002752631080000132
第二步，列出步骤104中确定出的两个像素点表征的两个端点在仓库对应的三维坐标系中的坐标值，其中一个端点的坐标值为(x1，y，z)，另一个端点的坐标值为(x2，y，z)。
第三步，单目摄像头的位姿矩阵表示为T(T为4*4矩阵，共有6个自由度：3个旋转自由度+3个平移自由度；由于T的第4行为[0,0,0,1]，因此为表述方便，将T写成3*4矩阵)，单目摄像头的内参矩阵表示为K(K为3*3矩阵)，这样，根据三维坐标及二维坐标之间的投影关系，可以得到如下等式：
Figure BDA0002752631080000133
Figure BDA0002752631080000141
第四步，列出KT的逆矩阵，如下：
Figure BDA0002752631080000142
第五步，将上述得到的KT的逆矩阵分别带入上述第三步中的两个等式，得到：
D1(a11u1+a12v1+a13)+a14＝x1
D1(a21u1+a22v1+a23)+a24＝y
D1(a31u1+a32v1+a33)+a34＝z
D2(a11u2+a12v2+a13)+a14＝x2
D2(a21u2+a22v2+a23)+a24＝y
D2(a31u2+a32v2+a33)+a34＝z
第六步，进行如下变量的假设：
a11u1+a12v1+a13＝E1
a21u1+a22v1+a23＝F1
a31u1+a32v1+a33＝G1
a11u2+a12v2+a13＝E2
a21u2+a22v2+a23＝F2
a31u2+a32v2+a33＝G2
第七步，基于上述第六步中的假设，可以推出如下等式：
D1E1+a14＝x1
D1F1+a24＝y
D1G1+a34＝z
D2E2+a14＝x2
D2F2+a24＝y
D2G2+a34＝z
第八步，由于x2＝x1+L，L为上述顶表面的长度边的边长且已知，而y、z值相同，因此得到如下等式：
D2E2-D1E1＝L
D1F1＝D2F2
D1G1＝D2G2
第九步，将上述第八步得到的等式带入z的表达式中，则可以得到步骤1061中的计算式，即
Figure BDA0002752631080000151
通过上述过程可以利用单目摄像头实时测量仓库中货物的高度，基于该高度值，可以进一步计算货物的体积、数量等，满足不同的业务需求。
在本说明书的一个实施例中，仓储货物测量方法还可以与区块链技术相结合，实现更为智能的控货业务。参见图3，在本说明书一个实施例中提出了一种基于区块链技术的货物交易业务的实现方法，包括：
步骤300：利用本说明书任意一个实施例的仓储货物测量方法，得到仓库内至少一个单目摄像头视觉范围内的货物的高度值。
步骤302：根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息。
步骤304：将确定的存量信息上传到区块链中；
步骤306：基于区块链中存储的货物的存量信息，进行货物交易业务。
比如，通过上述图3所示的过程，通过视觉测量实现对仓库的货物监控，用区块链技术做加密和征信，便于商家进行网上的货物交易和抵押贷款，提升仓库的应用空间。
本说明书一个实施例还提出了一种仓储货物的测量装置，参见图4，该仓储货物的测量装置400包括：
图像接收模块401，被配置为接收由单目摄像头采集的仓库中的货物图像；
关键点检测模块402，被配置为对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该长度边的另一个端点；
二维坐标确定模块402，确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
货物高度确定模块404，利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值。
在本说明书的一个实施例中，参见图5，仓储货物测量装置可以进一步包括：模型训练模块501；
所述模型训练模块501，被配置为接收所述单目摄像头采集的包括不同货物图像内容的至少两张样本图像；得到标注训练数据；以及利用所述标注训练数据，训练货物关键点识别模型；其中，所述标注训练数据为：对每一张样本图像中可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按相同预设方式标注了可见的各顶点和该各顶点间的连接关系；
所述关键点检测模块402，被配置为利用所述货物关键点识别模型对所述货物图像进行货物关键点检测。
在本说明书一个实施例中，所述货物关键点识别模型包括：openpose识别模型；
所述关键点检测模块402，被配置为在利用所述openpose识别模型的affinityfields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，以约束所述affinity fields的流向。
在本说明书一个实施例中，所述单目摄像头在仓库对应的三维坐标系中的相机参数包括：所述单目摄像头的内参矩阵以及位姿矩阵；
所述货物高度确定模块404被配置为利用如下式子计算所述长度边的所述端点在所述仓库对应的三维坐标系中的z轴坐标值；所述z轴为垂直于地面方向的坐标轴；
Figure BDA0002752631080000161
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure BDA0002752631080000171
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1、v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2、v2为所述第二像素点在所述相机成像平面中的二维坐标值；
以及，将计算出的所述z轴坐标值，作为所述货物在相对于地面的高度方向上的高度值。
在本说明书一个实施例中，仓储货物测量装置可以进一步包括：连接在所述图像接收模块401与关键点检测模块402之间的畸变矫正模块；
所述畸变矫正模块被配置为对所述接收由单目摄像头采集的所述货物图像进行畸变矫正，将畸变矫正后的货物图像发送给所述关键点检测模块进行货物关键点检测。
在本说明书的一个实施例中还提出了一种基于区块链技术的货物交易业务的实现系统，参见图6，该系统600包括：本说明书任意一个实施例提出的仓储货物测量装置601、区块链系统602以及交易处理系统603；其中，
所述仓储货物测量装置601，被配置为得到至少一个单目摄像头视觉范围内的货物的高度值；根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息；以及将确定的存量信息上传到所述区块链系统602中；
所述交易处理系统603，被配置为基于区块链系统602中存储的货物的存量信息，进行货物交易业务。
本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。
本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。
可以理解的是，本说明书实施例示意的结构并不构成对仓储货物测量装置的具体限定。在说明书的另一些实施例中，仓储货物测量装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (14)

1.仓储货物测量方法，包括：
接收由单目摄像头采集的仓库中的货物的货物图像；
对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该顶表面上的该长度边的另一个端点；
确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值；
在所述对所述货物图像进行货物关键点检测之前，进一步包括：
利用所述单目摄像头采集包括不同货物图像内容的至少两张样本图像；
得到标注训练数据；所述标注训练数据为：对每一张样本图像中可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按相同预设方式标注了可见的各顶点和该可见的各顶点间的连接关系，且标注出该可见的各顶点所属的货物的顶面以及在顶面的位置；以及
利用所述标注训练数据，训练货物关键点识别模型；
则，所述对所述货物图像进行货物关键点检测，包括：
利用所述货物关键点识别模型对所述货物图像进行货物关键点检测。
2.根据权利要求1所述的方法，其中，所述货物关键点识别模型包括：openpose识别模型；
所述利用所述标注训练数据训练货物关键点识别模型，包括：
在利用所述openpose识别模型的affinity fields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，以约束所述affinity fields的流向。
3.根据权利要求1所述的方法，其中，所述货物的形状为长方体形状或者类似长方体形状；且货物在仓库中的摆放方式为：该货物的顶表面和底表面的长度边和宽度边分别平行或大致平行于仓库对应的三维坐标系中在地面平面中的x轴和y轴。
4.根据权利要求3所述的方法，其中，所述单目摄像头在仓库对应的三维坐标系中的相机参数包括：所述单目摄像头的内参矩阵以及位姿矩阵；
计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值，包括：
利用如下式子计算所述长度边的所述端点在所述仓库对应的三维坐标系中的z轴坐标值；所述z轴为垂直于地面方向的坐标轴；
Figure FDA0003446074420000021
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure FDA0003446074420000022
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1、v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2、v2为所述第二像素点在所述相机成像平面中的二维坐标值；
将计算出的所述z轴坐标值，作为所述货物在相对于地面的高度方向上的高度值。
5.根据权利要求1至4中任一所述的方法，其中，在所述接收由单目摄像头采集的货物图像之后，并在所述对所述货物图像进行货物关键点检测之前，进一步包括：对所述货物图像进行畸变矫正。
6.一种基于区块链技术的货物交易业务的实现方法，其中，
利用权利要求1至5中任一所述的仓储货物测量方法，得到仓库内至少一个单目摄像头视觉范围内的货物的高度值；
根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息；
将确定的存量信息上传到区块链中；
基于区块链中存储的货物的存量信息，进行货物交易业务。
7.仓储货物的测量装置，包括：
图像接收模块，被配置为接收由单目摄像头采集的仓库中的货物图像；
关键点检测模块，被配置为对所述货物图像进行货物关键点检测，得到所述货物图像中的第一像素点和第二像素点；其中，所述第一像素点表征所述货物在相对于地面的顶表面上的一条长度边的一个端点；所述第二像素点表征该长度边的另一个端点；
二维坐标确定模块，确定所述第一像素点和所述第二像素点在所述单目摄像头的相机成像平面中的二维坐标；
货物高度确定模块，利用预先确定的所述单目摄像头在仓库对应的三维坐标系中的相机参数、所述第一像素点的二维坐标、所述第二像素点的二维坐标，计算所述单目摄像头视觉范围内的货物在相对于地面的高度方向上的高度值；
进一步包括：模型训练模块；
所述模型训练模块，被配置为接收所述单目摄像头采集的包括不同货物图像内容的至少两张样本图像；得到标注训练数据；以及利用所述标注训练数据，训练货物关键点识别模型；其中，所述标注训练数据为：对每一张样本图像中可见的货物进行了标注的数据，该标注的方式包括：每个可见货物按相同预设方式标注了可见的各顶点和该可见的各顶点间的连接关系，且标注出该可见的各顶点所属的货物的顶面以及在顶面的位置；
所述关键点检测模块，被配置为利用所述货物关键点识别模型对所述货物图像进行货物关键点检测。
8.根据权利要求7所述的装置，其中，所述货物关键点识别模型包括：openpose识别模型；
所述关键点检测模块，被配置为在利用所述openpose识别模型的affinity fields预测关键点位置时，将所述标注训练数据对应的像素点与所述单目摄像头对应的相机成像平面中的消失点相连，以约束所述affinity fields的流向。
9.根据权利要求7所述的装置，所述货物的形状为长方体形状或者类似长方体形状；且货物在仓库中的摆放方式为：该货物的顶表面和底表面的长度边和宽度边分别平行或大致平行于仓库对应的三维坐标系中在地面平面中的x轴和y轴。
10.根据权利要求9所述的装置，其中，所述单目摄像头在仓库对应的三维坐标系中的相机参数包括：所述单目摄像头的内参矩阵以及位姿矩阵；
所述货物高度确定模块被配置为利用如下式子计算所述长度边的所述端点在所述仓库对应的三维坐标系中的z轴坐标值；所述z轴为垂直于地面方向的坐标轴；
Figure FDA0003446074420000041
其中，
G1＝a31u1+a32v1+a33；G2＝a31u2+a32v2+a33；
E1＝a11u1+a12v1+a13；E2＝a11u2+a12v2+a13；
所述L为已知的所述长度边的边长值；
Figure FDA0003446074420000042
所述K为所述单目摄像头的内参矩阵；
所述T所述单目摄像头的位姿矩阵；
u1、v1为所述第一像素点在所述相机成像平面中的二维坐标值；
u2、v2为所述第二像素点在所述相机成像平面中的二维坐标值；
以及，将计算出的所述z轴坐标值，作为所述货物在相对于地面的高度方向上的高度值。
11.根据权利要求7至10中任一所述的装置，进一步包括：连接在所述图像接收模块与关键点检测模块之间的畸变矫正模块；
所述畸变矫正模块被配置为对所述接收由单目摄像头采集的所述货物图像进行畸变矫正，将畸变矫正后的货物图像发送给所述关键点检测模块进行货物关键点检测。
12.一种基于区块链技术的货物交易业务的实现系统，包括：如权利要求7至11中任一所述的仓储货物测量装置、区块链系统以及交易处理系统；其中，
所述仓储货物测量装置，被配置为得到至少一个单目摄像头视觉范围内的货物的高度值；根据所述货物的高度值，确定至少一个单目摄像头视觉范围内的货物的存量信息；以及将确定的存量信息上传到所述区块链系统中；
所述交易处理系统，被配置为基于区块链系统中存储的货物的存量信息，进行货物交易业务。
13.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。
14.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-6中任一项所述的方法。
CN202011190465.XA 2020-10-30 2020-10-30 仓储货物测量方法和装置 Active CN112378333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011190465.XA CN112378333B (zh) 2020-10-30 2020-10-30 仓储货物测量方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011190465.XA CN112378333B (zh) 2020-10-30 2020-10-30 仓储货物测量方法和装置

Publications (2)

Publication Number Publication Date
CN112378333A CN112378333A (zh) 2021-02-19
CN112378333B true CN112378333B (zh) 2022-05-06

Family

ID=74576440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011190465.XA Active CN112378333B (zh) 2020-10-30 2020-10-30 仓储货物测量方法和装置

Country Status (1)

Country Link
CN (1) CN112378333B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392747A (zh) * 2021-06-07 2021-09-14 北京优创新港科技股份有限公司 一种用于立体仓库的货物包装箱识别方法及系统
CN115797446A (zh) * 2021-09-10 2023-03-14 灵动科技（北京）有限公司 货架定位方法、货架对接方法以及装置、设备、介质
CN115511427B (zh) * 2022-11-23 2023-04-07 广州卓铸网络科技有限公司 一种基于二维码的仓储管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108151647A (zh) * 2016-12-06 2018-06-12 中兴通讯股份有限公司 一种图像数据处理方法、装置及移动终端
CN109186461A (zh) * 2018-07-27 2019-01-11 南京阿凡达机器人科技有限公司 一种箱体大小的测量方法及测量设备
CN110207650A (zh) * 2019-05-31 2019-09-06 重庆迪星天科技有限公司 基于双目视觉的车用公路限高架高度测量方法及装置
CN111429065A (zh) * 2020-03-26 2020-07-17 图林科技(深圳)有限公司 一种基于区块链和物联网的物流方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4002919B2 (ja) * 2004-09-02 2007-11-07 技研トラステム株式会社 移動体高さ判別装置
KR20190065093A (ko) * 2017-12-01 2019-06-11 (주)마젠타로보틱스 영상이미지를 이용한 비정형 라인 계측시스템
CN111062986A (zh) * 2018-10-17 2020-04-24 千寻位置网络有限公司 基于单目视觉的共享单车辅助定位方法及装置
CN110084243B (zh) * 2019-03-13 2022-12-06 南京理工大学 一种基于二维码和单目相机的档案识别与定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108151647A (zh) * 2016-12-06 2018-06-12 中兴通讯股份有限公司 一种图像数据处理方法、装置及移动终端
CN109186461A (zh) * 2018-07-27 2019-01-11 南京阿凡达机器人科技有限公司 一种箱体大小的测量方法及测量设备
CN110207650A (zh) * 2019-05-31 2019-09-06 重庆迪星天科技有限公司 基于双目视觉的车用公路限高架高度测量方法及装置
CN111429065A (zh) * 2020-03-26 2020-07-17 图林科技(深圳)有限公司 一种基于区块链和物联网的物流方法及系统

Also Published As

Publication number Publication date
CN112378333A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112378333B (zh) 仓储货物测量方法和装置
CN112101389B (zh) 仓储货物测量方法和装置
CN110568447B (zh) 视觉定位的方法、装置及计算机可读介质
CN106950985B (zh) 一种自动送货方法及装置
US9483703B2 (en) Online coupled camera pose estimation and dense reconstruction from video
CN111080804B (zh) 三维图像生成方法及装置
CN110111388B (zh) 三维物体位姿参数估计方法及视觉设备
TWI528019B (zh) 用於物件包裝之物件三維尺寸估測系統及方法
CN109801333B (zh) 体积测量方法、装置、系统及计算设备
CN112132523B (zh) 一种货物数量确定方法、系统和装置
US8369578B2 (en) Method and system for position determination using image deformation
Klippenstein et al. Quantitative evaluation of feature extractors for visual slam
CN112686877B (zh) 基于双目相机的三维房屋损伤模型构建测量方法及系统
US20110235898A1 (en) Matching process in three-dimensional registration and computer-readable storage medium storing a program thereof
CN111553914B (zh) 基于视觉的货物检测方法、装置、终端及可读存储介质
KR20180098945A (ko) 고정형 단일 카메라를 이용한 차량 속도 감지 방법 및 장치
CN114972421A (zh) 车间物料识别追踪与定位方法、系统
CN116563384A (zh) 一种图像采集装置标定方法、设备及计算机设备
EP3825804A1 (en) Map construction method, apparatus, storage medium and electronic device
CN113658279A (zh) 相机内参和外参估算方法、装置、计算机设备及存储介质
CN113808200A (zh) 一种检测目标对象移动速度的方法、装置及电子设备
US20110116718A1 (en) System and method for establishing association for a plurality of images and recording medium thereof
US20120275709A1 (en) Building texture extracting apparatus and method thereof
JP6080424B2 (ja) 対応点探索装置、そのプログラムおよびカメラパラメータ推定装置
CN112989998B (zh) 物料监测方法和物料监测装置以及搅拌站

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant